ECCV 2025 | M4-SAR：面向光学 - SAR 目标检测的多分辨率、多极化、多场景、多源数据集与基准

01 论文信息论文题目M4-SAR: A Multi-Resolution, Multi-Polarization, Multi-Scene, Multi-Source Dataset and Benchmark for optical-SAR Object Detection论文作者Chao Wang , Wei Lu, Xiang Li, Jian YangLei Luo发表单位南京理工大学安徽大学南开大学发表会议\期刊ECCV 2025代码链接https://github.com/wchao0601/M4-SAR02 论文主要贡献新型光学 - SAR 数据集M4-SAR 是具备多分辨率、多极化、多场景特性的新型光学 - SAR 融合目标检测数据集包含 112174 对图像对与 981862 个实例全面覆盖多源融合检测任务中常见的复杂场景与多样目标类别为该领域研究发展提供了坚实基础。多源评估工具包MSRODet与 E2E-OSDet本文构建了集成主流融合目标检测方法的综合基准工具包 MSRODet基于 M4-SAR 数据集提供了标准化、可复现的评估平台同时提出了新型端到端光学 - SAR 融合目标检测框架 E2E-OSDet可在特征层面有效缓解光学与 SAR 模态间的显著跨域差异。03 方法aDomain Gap域间隙示意图每个子图里两条曲线是光学蓝和 SAR黑在某个特征空间中的取值分布Pixel Space像素空间域差大光学靠可见光的颜色、纹理、光谱SAR 靠微波后向散射灰度且带相干斑噪声成像机制根本不同Grad Space梯度空间域差小反映结构、纹理。b滤波增强模块FAM为缩小光学与 SAR 图像的域间隙利用 HOG、Canny、Haar、Grad、WST等经典图像滤波算子将低维度、稀疏的 SAR 表征转换为更具区分度的高维空间有效缓解域差异带来的影响。跨模态 Mamba 交互模块CMIM区域注意力融合模块AFM3.104 实验4.1 SOTA仅使用 SAR 图像的检测精度显著低于仅使用光学图像的结果所有多源融合方法的性能均优于对应的单模态基线本文提出的 E2E-OSDet 在所有融合方法中取得了最高性能。4.2 消融本文采用 CSSA作为基线模型三个模块均可带来性能提升其中 AFM 模块对检测精度的提升幅度最大各模块可协同工作集成后不会造成性能下降。05 个人声明本文为作者对原论文的学习笔记与心得分享受个人学识与理解所限文中对论文内容的解读或有不够周全之处一切以原论文正式表述为准。本文仅用于学术交流与传播内容均由作者独立整理完成不代表本公众号立场。如文中所涉文字、图片等内容存在版权争议请及时与作者联系作者将在第一时间核实并妥善处理。